論文の概要: Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation

• arxiv url: http://arxiv.org/abs/2506.04294v1
• Date: Wed, 04 Jun 2025 12:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.335451
• Title: Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation
• Title（参考訳）: 配電系統計画と同期化をめざした異種消費者の短期電力需要予測
• Authors: Asier Diaz-Iglesias, Xabier Belaunzaran, Ane M. Florez-Tapia,
• Abstract要約: 本研究は, 産業, 商業, 住宅消費者の差別化による正確な予測の必要性に対処するものである。 短時間負荷予測(STLF)と短時間負荷予測(VSTLF)のためのAIおよび機械学習アルゴリズムを探索し比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ensuring grid stability in the transition to renewable energy sources requires accurate power demand forecasting. This study addresses the need for precise forecasting by differentiating among industrial, commercial, and residential consumers through customer clusterisation, tailoring the forecasting models to capture the unique consumption patterns of each group. A feature selection process is done for each consumer type including temporal, socio-economic, and weather-related data obtained from the Copernicus Earth Observation (EO) program. A variety of AI and machine learning algorithms for Short-Term Load Forecasting (STLF) and Very Short-Term Load Forecasting (VSTLF) are explored and compared, determining the most effective approaches. With all that, the main contribution of this work are the new forecasting approaches proposed, which have demonstrated superior performance compared to simpler models, both for STLF and VSTLF, highlighting the importance of customized forecasting strategies for different consumer groups and demonstrating the impact of incorporating detailed weather data on forecasting accuracy. These advancements contribute to more reliable power demand predictions, thereby supporting grid stability.
• Abstract（参考訳）: 再生可能エネルギー源への移行におけるグリッド安定性の確保には、正確な電力需要予測が必要である。 本研究は, 顧客クラスタ化による産業, 商業, 住宅消費者の差別化による正確な予測の必要性に対処し, 各グループのユニークな消費パターンを把握するための予測モデルを調整した。 コペルニクス地球観測(EO)プログラムから得られた時間的・社会経済的・気象関連データを含む,各消費型の特徴選択処理を行う。 短時間負荷予測(STLF)および極短負荷予測(VSTLF)のためのAIおよび機械学習アルゴリズムを探索し、比較し、最も効果的なアプローチを決定する。 本研究の主な貢献は,STLF と VSTLF の両方において,より単純なモデルに比べて優れた性能を示す新しい予測手法であり,様々な消費者グループを対象とした予測戦略のカスタマイズの重要性を強調し,詳細な気象データの導入が予測精度に与える影響を実証している。 これらの進歩は、より信頼性の高い電力需要予測に寄与し、グリッド安定性をサポートする。

関連論文リスト

• Hourly Short Term Load Forecasting for Residential Buildings and Energy Communities [0.0]
  永続モデル、自動回帰ベースの機械学習モデル、より高度なディープラーニングモデルを導入します。 既存の手法に比べて,新たに導入された時間ベースの予測モデルの予測精度が15～30%向上するのを観察する。
  論文  参考訳（メタデータ） (2025-01-31T15:49:09Z)
• One Model to Forecast Them All and in Entity Distributions Bind Them [0.0]
  電力システムの確率的予測は、しばしば家庭、給電装置、風力タービンのような多元性データセットを含む。 従来のアプローチでは、各エンティティに対して個々のモデルをトレーニングする必要があります。 本研究は,1つのモデルを用いたエンティティ固有確率予測を可能にする条件付き変分オートエンコーダであるGUIDE-VAEを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2025-01-26T12:14:09Z)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
  本稿では,人工知能を用いた短期負荷予測手法を提案する。 その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T12:23:09Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for Forecasting, with an Application to Electricity Smart Meter Data [3.0839245814393728]
  我々は,大域的なモデル予測を説明するために,局所解釈可能なモデルに依存しないルールベース予測(LIMREF)を提案する。 本稿では,LIMREFフレームワークによる説明の質を質的・定量的に評価する。
  論文  参考訳（メタデータ） (2022-02-15T22:35:11Z)
• Federated Learning for Short-term Residential Energy Demand Forecasting [4.769747792846004]
  エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。 供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。 しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
  論文  参考訳（メタデータ） (2021-05-27T17:33:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。